基于最小二乘支持向量機回歸的基坑變形預測——將最小二乘支持向量機回歸用于基坑變形預測．根據基坑位移的實測時間序列資料，應用最小二乘支持向量機回歸建立了基坑位移與時間的關系模型．研究結果表明，最小二乘支持向量機回歸用于基坑變形預測，具有較高的預...

采用最小二乘支持向量機的方法,利用現場測量的數據,建立水泥粒度軟測量模型;通過交叉驗證方法優化參數,并用仿真實驗驗證了該方法的有效性,解決了非線性、小樣本、高維數等常規測量方法難以實現的問題,實現了水泥粒度的在線測量。

針對在工程實踐中,應用單一方法預測建筑物沉降存在著局限性,提出了基于最小二乘支持向量機回歸綜合單一方法預測沉降量。該方法能綜合單一方法的特點,增強了模型的普適性,從而提高了預測精度和預報期次。文中討論了如何實現和運用該方法,最后通過實例驗證了其有效性。

針對最小二乘支持向量機在利用產生于工業現場的非理想數據集進行建模預測時,稀疏化模型魯棒性差的問題,提出了一種基于模糊c均值聚類和密度加權的稀疏化方法.首先通過模糊c均值聚類將訓練樣本劃分為若干個子類;然后計算每個子類中各樣本的可能貢獻度,依次從每個子類中選取具有最大可能貢獻度的樣本作為支持向量;最后更新每個樣本的可能貢獻度,繼續從各個子集中增選支持向量,直至稀疏化后的模型性能滿足要求.仿真結果和磨機負荷實際應用表明,該方法能夠兼顧模型在整體樣本集和各工況子集上的性能,在實現模型稀疏化的同時,能夠顯著改善最小二乘支持向量機模型的魯棒性.

基于可靠性數據分析和最小二乘支持向量機對電力變壓器故障進行了診斷,并給出了實例分析。

簡述了齒輪故障診斷原理,針對催化主風機齒輪箱故障診斷實例,介紹了齒輪故障診斷方法,并進一步說明了齒輪故障診斷技術的現場應用。

采用最小二乘支持向量機預測算法對電力電子電路進行故障預測.以基本降壓斬波電路為例,選擇電路輸出電壓作為監測信號,提取輸出電壓平均值及紋波值作為電路特征性能參數,并利用ls-svm回歸預測算法實現故障預測.仿真結果表明,利用ls-svm對基本降壓斬波電路輸出平均電壓與輸出紋波電壓的預測相對誤差均低于2%,能夠跟蹤故障特征性能參數的變化趨勢,有效實現電力電子電路故障預測.

提出一種聯合灰色模型(greymodel,gm)和最小二乘支持向量機回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負荷智能組合預測方法。在考慮負荷日周期性的基礎上,通過對歷史負荷數據的不同取舍,構建出各種不同的歷史負荷數據序列,并對每個歷史數據序列分別建立能修正β參數的gm(1,1)灰色模型進行負荷預測;采用最小二乘支持向量機回歸算法對不同灰色模型的預測結果進行非線性組合,以獲取最終預測值。該方法在充分利用灰色模型所需原始數據少、建模簡單、運算方便等優勢的基礎上,結合最小二乘支持向量機所具有的泛化能力強、非線性擬合性好、小樣本等特性,提高了預測精度。仿真結果驗證了所提出組合方法的有效性和實用性。

針對最小二乘支持向量機在電力負荷預測應用中的參數優化問題,將改進粒子群算法引入到最小二乘支持向量機參數中,建立一種新型的電力負荷預測模型(ipso-lssvm)。首先將最小二乘支持向量機參數編碼為粒子初始位置向量;然后通過粒子個體之間的信息交流、協作找到最小二乘支持向量機的最優參數,并針對標準粒子群算法的不足進行相應改進;最后將其應用于電力負荷建模與預測,并通過仿真對比實驗測試其性能。實驗結果表明,ipso-lssvm可以獲得較高準確度的電力負荷預測結果,大幅度減少了訓練時間,滿足電力負荷在線預測要求。

根據沉降數據的特性,以最小二乘支持向量機為核心技術構建預測模型,提出了一種路基沉降預測的新方法。由于測量誤差不可避免,沉降數據通常含有噪聲,不宜直接進行擬合,因此首先采用小波分析的方法對原始沉降數據進行降噪預處理,然后饋送到最小二乘支持向量機完成沉降預測。最后用某高速公路實測數據進行了實例分析,并與bp神經網絡預測結果進行了對比,計算結果表明,小波分析結合支持向量機的模型有較好的預測精度,將該模型應用于公路軟基沉降預測是可行的和值得研究的。

針對工程造價變化的時變性、混沌性,提出一種混沌理論和最小二乘支持向量機的工程造價預測模型.首先收集工程造價歷史樣本并進行相應的預處理,然后根據混沌理論確定最優延遲時間和嵌入維數,重建工程造價的訓練集和測試集,最后用最小二乘支持向量機建立工程造價預測模型,并采用具體建筑工程造價數據進行仿真測試.結果表明,相對其他工程造價預測模型,該模型可以很好地反映工程造價的變化趨勢,提高工程造價的預測準確性.

基于最小二乘支持向量機回歸的單樁豎向極限承載力預測——基于單樁載荷試驗數據，采用最小二乘支持向量機(lssvm)回歸的方法，建立了單樁豎向極限承載力的預測模型．利用文獻中樁的載荷試驗數據來訓練lssvm模型，并確定了模型參數．研究結果表明，同常用的bp網絡...

為提高水庫來水量的預測精度,提出了一種基于最小二乘支持向量機(ls-svm)的來水量預測模型。實例應用結果表明,該模型預測能力強、預測精度高,其預測精度明顯高于bp模型,為來水量預測提供了一種可靠、有效的方法。

介紹了對化工四回收鼓風機齒輪箱監測數據進行時域波形、頻譜、peakvue分析,并診斷齒輪箱存在隱患,停機解體檢查發現輪齒已嚴重疲勞磨損,高速軸靠近齒頂有1/3的齒面損傷,齒輪箱底部有大量剝落的碎屑;證明了振動監測分析和診斷是行之有效的設備點檢手段,為檢修決策提供了可靠依據.

隧道圍巖變形預測的最小二乘支持向量機方法——為及時掌握圍巖變形趨勢并采取措施加以控制，在嶺南高速雪家莊隧道施工過程中，采用一種新的時間序列預測模型--最小二乘支持向量機(ls-svm)。介紹了ls．svm的基本原理和該預測模型的具體操作步驟，實踐表明，該方...

基于最小二乘支持向量機的砂土液化預測方法——使用最小二乘支持向量機分類方法建立了兩個砂土液化預測模型，預測結果與野外實際情況全部相符，表明該分類方法用于預測砂土液化是可行的，且預測準確率高。

針對神經網絡存在結構較難確定,訓練易陷入局部最小等問題,提出將最小二乘支持向量機和相似搜索用于預測出清電價。該方法對相似搜索得到的相似負荷日的數據用最小二乘支持向量機建立預測模型,采用美國newenglandiso的真實數據做驗證,結果表明該方法比bp神經網絡有更高的預測精度,是一種有效的預測方法。

基于我國城市防洪體系安全評價的指標體系及其等級標準,提出了一種基于小樣本的最小二乘支持向量機(ls-svm)的城市防洪體系安全綜合評價模型。在柳州市防洪體系的實例應用結果表明,該模型能較好地對城市防洪體系進行綜合評價,評價結果符合客觀實際。

針對傳統方法難以精確提取水電機組非平穩振動信號的故障特征,首先引入變分模態分解(variationalmodaldecomposition,vmd)將水電機組非平穩振動信號分解為一系列中心頻段互不重疊的imf分量,進而采取能量法提取各imf分量的故障特征,最后將提取的故障特征向量輸入到本文建立的基于遺傳算法優化支持向量機的故障診斷模型中,實現故障模式的識別與診斷。將該方法應用于實際水電機組故障振動信號的處理中,仿真結果表明,該方法能夠有效識別機組的異常狀況,具有較高的故障診斷正確率。

用轉子振動試驗臺模擬了汽輪機典型故障,根據其頻域變化特性,采用小波包分析對其建立頻域能量特征向量。最后用svm進行故障狀態識別,取得了良好的效果。

漏油和油溫高是齒輪箱傳動系統中常見故障,漏油會影響齒、軸的潤滑效果,使得各運動副零配件之間摩擦加劇;油溫高會影響齒輪箱的使用壽命,甚至達到一定溫度使齒輪箱無法正常工作,嚴重影響到風機的安全。本文通過對齒輪箱油溫高和漏油的可能原因進行了分析,并提出了相應的解決方案和措施,對日后風機的維護和故障處理有一定幫助。

回轉式空氣預熱器是火力發電機組重要的換熱設備。燃料的不完全燃燒以及低負荷或停爐后空預器內氣體流速低造成散熱條件變差等原因會引起空預器的再燃燒事故。論文利用最小二乘支持向量機這種新的機器學習工具,分別用兩種核函數建立針對三對不同火情的判別模型,超平面參數通過交叉檢驗的方式確定。實驗結果表明,支持向量機具有很好的分類和泛化能力。從兩種核函數的roc曲線可看出對于本問題選用rbf核函數相對于多項式核函數有更高的判別準確率。